MiniMax H3 参考生视频（`reference_to_video`）

前置依赖：本技能只写 r2v 专属内容；公共规则见 minimax-h3-base。用本技能前先加载 minimax-h3-base，其中与 prompt 直接相关的七节是：「时间线写法」「镜头与切镜」「运镜三要素与词表」「说话人 ID 与 <d> 对白/演唱」「画面可见文字」「overall_soundscape」「non_diegetic_music」。若尚未加载：调用 skill 工具加载 minimax-h3-base。

工具参数：prompt、output_path、reference_images（≤9）、reference_videos（≤3）、reference_audios（≤3）、duration、reference_size、aspect_ratio、megapixels、seed、steps、enable_lightning_lora。 没有负向提示词（CFG 蒸馏权重）。

0. 本地只有 H3-Base

H3-Context-IR 未开源（完整系统 = H3-Context-IR + H3-Base + H3-Regenerate-2K），本地只有 H3-Base，所以要自己把提示词写成结构化形式，即六段式。

硬约束：prompt 里引用第几份参考，必须和工具的上传顺序严格一致。上传顺序 = reference_images 列表顺序 → 第 1 张就是<Picture 1>；reference_videos、reference_audios 各自独立编号。调换列表顺序会静默地把提示词里每个引用都指错对象。

图片的引用格式 → <Picture N>
视频的引用格式 → <Video N>
音频的引用格式 → <Audio N>

1. 提示词写法

说明全参考模式下改写输出的组织与写法。六段 rewrite 正文默认英文。仅对白/歌词（<d> 内）与画面可见文字保留原文语言。

描述粒度：detailed_description 尽量细且可执行。每镜写清当前构图、主体外观与位置、环境与光、动作与状态变化、运镜、当前声音，以及参考内容实际出现/生效的时间点。避免压成剧情摘要或参考关系清单。

六段固定顺序是：

subject_definitions:
summary:
retention_analysis:
detailed_description:
overall_soundscape:
non_diegetic_music:

1.1 subject_definitions

subject_definitions 为后续需单独追踪的每项参考内容各写一行：人、环境、源视频结构、音轨等。说明标签指什么、参考角色、应跟随的主要特征；来源需明示时点名源资产。若 <Picture N> / <Video N> 仅作为另一项的来源、后续不单独分析使用，在该项定义内引用即可，不必另起一行。retention_analysis 记录每项出现位置及 fully / partially / transfer / reuse 策略。

全参考用四类标签标识来源与角色：

| 标签 | 含义 | |------|------| | <Subject N> | 从参考资产抽象出的可复用/可改写可见内容 | | <Picture N> | 作具体目标帧或分镜规划锚的参考图 | | <Video N> | 提供剪辑源、续写起点或整片时间结构的参考视频 | | <Audio N> | 被拷贝或被参考的音频信号 |

标签一旦赋给某内容，在 subject_definitions、summary、retention_analysis、detailed_description 与音频段中含义不变。

1.1.1 `<Subject N>`

用于可复用可见内容：人/动物/物体；场景/背景/环境；服装/道具/界面/特效；风格/动作/表情/姿态。表示目标片中实际使用的内容单元，而非源文件本身。一个主体可由多资产定义；一资产可贡献多主体。

<Subject 1> is the young woman in <Picture 1>, with long dark hair, a blue cardigan, and a thin silver necklace.

同一主体来自多资产时，合并来源并写清各资产贡献：

<Subject 1> is the woman whose appearance comes from <Picture 1> and whose walking motion comes from <Video 1>.

1.1.2 `<Picture N>`

当参考图本身作镜头首帧、关键帧、尾帧、编辑关键帧或构图锚时，单独建 <Picture N>：

<Picture 2> is the first frame of [Shot 1], showing a woman seated beside a café window.

图仅用于定义角色/场景/服装/风格时，不单独建 Picture 行，在对应 <Subject N> 内引用。图作分镜/镜头规划参考时，写清映射镜头与规划信息：

<Picture 3> is a storyboard reference for [Shot 1] and [Shot 2], defining their viewpoint, subject placement, and shot order.

1.1.3 `<Video N>`

保留给整片级关系：编辑原片、从片尾续写、参考原片运镜/切点/节奏/时间结构。

<Video 1> is the source video for the target video edit.

从参考视频复用的人/物/场景/动作/特效仍归 <Subject N>。<Video N> 标识资产或结构源，不替代主体标签。

1.1.4 `<Audio N>`

独立音频资产，或参考视频启用的同步音轨。常见：拷贝全部/部分信号；参考 BGM 风格；参考说话人音色与表演；使用原轨对白/歌词/音效；参考节拍/节奏/音频连续性。

当 <Audio N> 明确对应目标说话人时，在定义中复用该说话人全局 ID：对应已定义主体写 <Subject N> (Sx)，否则写稳定声线描述 + (Sx)。ID 来自目标片全局说话人顺序，不在音频定义里另起编号。见 1.4.4。

<Audio 1> is the voice-timbre reference for <Subject 1> (S1).

一音频多角色时，用一句自然语言写清，不要拆多余子段。

1.1.5 同源视频的画面轨与音轨

<Video N> 与 <Audio N> 编号独立。同参考视频可对应 <Video 1> 与 <Audio 2>。普通参考视频有声不自动建 <Audio N>。<Audio N> 定义主要写音频角色，不必强制点名来自哪个 <Video N>；仅在消歧时写共享来源：

<Video 1> is the source video for the target video edit. <Audio 2> is the synchronized audio track of <Video 1> and is reused in the target video.

1.2 summary

一段短英文概括目标片与参考关系。以方括号任务类型前缀开头：

[reference generation] ...
[video editing + reference generation + audio reuse] ...

按参考资产在目标片中的实际角色选类型：

| 任务类型 | 何时使用 | |----------|----------| | keyframe completion | 图作目标片首帧/关键帧/尾帧/编辑关键帧等具体帧锚 | | reference generation | 图/视频/音频只作角色、场景、风格、动作、运镜、分镜等生成引导，不作具体帧、也不作被剪/被续源 | | video editing | 直接修改已有源视频；改图或在静帧间生成不属于此类型 | | video continuation | 新内容从已有源视频续写、延伸、接续或过渡 | | audio reuse | 同一音频信号全部或部分复用 | | audio reference | 不直接拷贝信号，只借音乐风格、音色、对白/歌词内容、音效质感、节拍或连续性 |

多关系用 + 连接且不重复。例如从源视频续写且用图作尾帧：[video continuation + keyframe completion]。编辑源视频并保留原音：[video editing + audio reuse]。

有视频/音频不自动对应任务类型。参考视频仅提供运镜/切点/节奏时通常属 reference generation。仅在该视频被直接编辑或续写时用 video editing / video continuation。编辑源视频且原音仍可听时加 audio reuse。续写源视频但不直接拷贝音频、新音频只延续原轨听感时用 audio reference。

summary 用已定义的 <Subject N>、<Picture N>、<Video N>、<Audio N> 描述主要主体、镜头流与参考角色。本节不引入新标签。

编辑任务在类型前缀后可起句：

The target video is an edited version of <Video 1>.

1.3 retention_analysis

描述每项参考内容在目标片中如何保留、迁移、拷贝或引用。一行一标签，含义与 subject_definitions 一致。

1.3.1 可见内容

<Subject N>、<Picture N>、<Video N> 使用下列关系标记（输出中为固定英文值）：

| 标记 | 含义 | |------|------| | fully_preserved | 定义角色被完整保留 | | partially_preserved | 仍使用，但部分定义特征被改或仅部分保留 | | attribute_transfer | 参考特征迁移到另一可识别目标主体 | | weak_reference | 仅保留风格/类别/构图/氛围的粗相似 |

<Subject 1> (appears in [Shot 1], [Shot 3]): fully_preserved - ...
<Picture 2> ([Shot 1] first frame): fully_preserved - ...
<Video 1> (cut and pacing structure): weak_reference - ...

1.3.2 音频

| 标记 | 含义 | |------|------| | fully_copy | 完整源音频作为目标片完整终轨 | | partially_copy | 只拷贝部分时间线或层，或拷贝后增删替换其他声 | | reference | 不直接拷贝信号，只借音色/节奏/音乐风格/对白内容/音效质感 | | weak_reference | 仅类别或氛围粗相似 |

<Audio 1>: fully_copy - <Audio 1> is reused 1:1 as the target video's complete final audio track.
<Audio 2>: reference - the target speaker follows <Audio 2>'s voice timbre and measured delivery without copying the original signal.

关系标记只能在该标签已定义的参考角色内选择。目标片新增动作/背景/情节不视为参考失真。

1.4 detailed_description

全参考改写的主体。按目标片播放顺序逐镜写画面、动作、声音、对白，并在适用处插入参考标签。

1.4.1 基础格式

正文英文；对白、歌词、可见字保留原文。
[Shot 1] 开场无时间戳；后镜 [Shot N] At MM:SS.mmm, ... 标切点。
运镜写在当前镜内自然语言中，含类型、幅度、速度（需要时）。
声源用稳定 (S1) (S2)；对白/歌词 <d>[Language] ...</d>。
跨切对白、片尾截断、跨镜连续音频分别用 <scenetrans>、<cutoff> 及对应连续性描述。

运镜词表、群体发言、画外音、跨切对白、可见文字的完整规则见 minimax-h3-base 的「运镜三要素与词表」与「说话人 ID 与 <d> 对白/演唱」两节。

1.4.2 与公共层的差异

| 维度 | 公共层（minimax-h3-base） | 全参考 | |------|------|--------| | 主字段 | integrated_multimodal_description | detailed_description | | 风格开篇 | 写在 [Shot 1] 后 | 在 [Shot 1] 前用 1–2 句英文建立 | | 参考信息 | 不用全参考标签 | 在首次出现与角色生效处插入四类标签 | | 音频关系 | 写目标片自身声音 | 在对应镜/音频阶段引用 <Audio N> 并说明拷贝或参考 |

开篇例：

The target video is in a cinematic, literary music-video style with soft lighting and a slightly desaturated color palette. [Shot 1] The scene opens in a crowded urban street... [Shot 2] At 00:09.000, the shot cuts to an extreme close-up...

生成任务 detailed_description 通常 350–500 英文词。对白密优先塞满时间线，不硬凑字数。编辑任务描述随源片复杂度伸缩。单镜不自动允许写短；按信息量在多镜间分配细节。

1.4.3 镜内使用参考标签

重要 <Subject N> 首次清晰出现时，在可见范围内写参考特征、画面位置、当前动作。后镜继续用同一标签，不重定义。

具体帧锚用自然短语：

the shot begins from <Picture N> the shot's keyframe corresponds to <Picture N> the shot ends on <Picture N>

编辑/续写原片时，在源状态、结构或续写关系适用处自然引用 <Video N>。音频关系在生效的镜或语义阶段引用 <Audio N>。

1.4.4 说话人、音频源与对白

说话人 ID 与 <d> 格式见 minimax-h3-base 的「说话人 ID 与 <d> 对白/演唱」一节。被参考主体在画面内发声时，同时保留视觉标签与说话人 ID：

<Subject 1> (S1) turns toward the woman and says, <d>[English] Last summer, I went to my grandfather's house. He talked about you.</d>

<Subject N> 标识被参考主体，(Sx) 标识实际说话人。画内说话写 <Subject N> (Sx)；同一主体画外说话保持同形并标 off-screen。说话人不对应已定义主体时，用稳定声线描述 + (Sx)。

言语内容只是被直接复用的 BGM/完整声轨里的线索、且无人/角色/旁白等独立声源实际发出时，用 <Audio N> 作可听源，不另造 (Sx)。有具体独立声源则赋并复用 (Sx)：

When <Subject 1> reaches the phrase <d>[English] I'm lonely lonely lonely lonely lonely I'm lonely</d>, <Subject 1> performs the corresponding hand gesture without becoming a separate speaker source.

直接复用参考音频中的对白/旁白/歌词，或输入明确要求重演时，在 <d> 内保留源词与原文语言。听不清写 [unclear]，不猜不改写。标点规范为表达句子所需的基本标记（, . ? !）；去掉重复波浪号、emoji、项目符号与装饰性重复标点。完整陈述/疑问/感叹在 </d> 前分别以 . ? ! 收尾。

仅参考音色/节奏/情绪/表演时，不要把参考音频原对白带进目标片。

(Sx) 按目标片实际发声事件顺序只赋一次；在 detailed_description 每次实际发声复用对应 ID。subject_definitions 中绑定目标说话人的 <Audio N> 也复用同一 (Sx)，从不独立新编号。retention_analysis 不写 (Sx)。

仅存在于被直接复用 BGM/完整声轨内的言语线索用 <Audio N>；由具体人/角色/旁白等独立声源发出的用 (Sx)。

1.5 overall_soundscape 与 non_diegetic_music

两类声音定义见 minimax-h3-base 的「overall_soundscape」与「non_diegetic_music」两节。

overall_soundscape 概括全片环境音与物理声。同步到特定镜的对白、演唱、声事件仍写在 detailed_description：

overall_soundscape: Quiet indoor room tone and a low ventilation hum continue throughout the video.

non_diegetic_music 写角色听不到、仅观众可听的配乐。有音乐时写乐器、速度、动态发展：

non_diegetic_music: A restrained solo-piano score at a slow tempo, with sustained low cello underneath and no swell.

使用参考音频时，拷贝/参考关系只写在对应可听层：环境与音效在 overall_soundscape，仅观众可听配乐在 non_diegetic_music。同一音频提供两类内容时，在两段分别写关系。

完整对白与歌词只写在 detailed_description 的 <d> 内，勿在这两段重复。

1.6 完整示例

subject_definitions: <Subject 1> is the coffee-shop environment in <Picture 1>, featuring an exposed brick wall, an orange tufted sofa with patterned pillows, a neon sign, and a wooden coffee table. <Subject 2> is the fluffy white Samoyed in <Picture 2>, <Picture 3>, and <Picture 4>, with thick white fur, pointed ears, a dark nose, and a curved tail. <Subject 3> is the young blonde woman in <Picture 5>, with long blonde hair and a light-pink button-down shirt with rolled-up sleeves. <Subject 4> is the young man in <Picture 6>, with short wavy brown hair and a dark-grey hoodie with drawstrings. <Audio 1> is the voice-timbre reference for <Subject 3> (S1), containing a spoken English vocal layer.

summary: [reference generation + audio reference] The target video shows <Subject 3> eating a cookie in <Subject 1>. <Subject 4> enters with <Subject 2>, which lunges toward the cookie. The three-shot exchange uses <Audio 1> as the voice-timbre reference for <Subject 3> and ends with a canned audience laugh.

retention_analysis: <Subject 1> (appears in [Shot 1], [Shot 2], [Shot 3]): fully_preserved - the exposed brick wall, orange tufted sofa, patterned pillows, neon sign, and wooden coffee table are retained. <Subject 2> (appears in [Shot 1], [Shot 2]): fully_preserved - the Samoyed's thick white fur, pointed ears, dark nose, and curved tail are retained. <Subject 3> (appears in [Shot 1], [Shot 2], [Shot 3]): fully_preserved - the blonde woman's identity, long hair, and light-pink shirt are retained. <Subject 4> (appears in [Shot 1], [Shot 2]): fully_preserved - the young man's short wavy brown hair and dark-grey hoodie are retained. <Audio 1>: reference - its vocal timbre guides the dialogue delivery of <Subject 3> without copying the original signal.

detailed_description: The target video uses a realistic multi-camera sitcom style with warm indoor lighting. [Shot 1] A medium shot establishes <Subject 1>, the coffee shop with its exposed brick wall, orange tufted sofa, patterned pillows, neon sign, and wooden coffee table. <Subject 3> (S1), the young woman with long blonde hair and a light-pink button-down shirt with rolled-up sleeves, sits on the sofa holding a chocolate-chip cookie. From the left, <Subject 4>, the young man with short wavy brown hair and a dark-grey hoodie with drawstrings, enters holding the leash of <Subject 2>, the thick-furred white Samoyed with pointed ears, a dark nose, and a curved tail. The dog lunges toward the cookie and pulls the leash taut. <Subject 3> (S1) jerks her hand back and, using the clear youthful voice timbre referenced from <Audio 1>, exclaims with light annoyance, <d>[English] Hey! Watch your dog!</d> She closes her lips and guards the cookie while <Subject 4> pulls the dog back. [Shot 2] At 00:03.000, the shot cuts to a close-up of <Subject 4> (S2), the young man in the dark-grey hoodie from Shot 1, sitting beside <Subject 3> on the sofa and holding <Subject 2> securely in his arms. <Subject 4> (S2) says in a casual young male voice with a playful tone and an easy conversational pace, <d>[English] He just likes cookies more than me.</d> He closes his mouth into an apologetic smile and strokes the dog's thick white fur. [Shot 3] At 00:05.000, the shot cuts to a close-up of <Subject 3> (S1), the blonde woman in the light-pink shirt from Shot 1. Her annoyance softens as she looks toward the Samoyed. <Subject 3> (S1) replies in the same clear youthful voice referenced from <Audio 1> with an amused cadence, <d>[English] Well, he has good taste at least.</d> She smiles and raises the cookie in a small toast-like gesture. A classic canned audience laugh begins immediately after the line and continues through the final frame.

overall_soundscape: Soft indoor coffee-shop room tone continues throughout the scene.

non_diegetic_music: N/A

2. 工具参数说明以及使用场景

| 参数 | 工作流默认 | 怎么用 | | --- | --- | --- | | reference_images | 无 | ≤9 张；按顺序 = Image 1..9。定人物长相/服装/风格/场景，或充当帧锚点 | | reference_videos | 无 | ≤3 段；自带的音轨不会被接进去（要声音请另给 reference_audios）。| | reference_audios | 无 | ≤3 段；定音色/环境声。音频不能是唯一参考输入，必须同时至少给一张参考图或一段参考视频；每段 2–15 秒、合计 ≤15 秒。插件不探测时长，超规要等 ComfyUI 报错 | | 合计上限 | — | 上限：图 ≤9、视频 ≤3、音频 ≤3，所有类型合计 ≤12 个文件 | | reference_size | match | match = 把每张参考图缩到与生成画面同像素量（省显存）；max = 用参考管线的 2048 短边（身份还原度最好，但慢好几倍）。人物一致性要求高时用 max | | duration | 5 秒 | 一般保持默认 | | aspect_ratio | 1:1 (Square) | 8 个枚举值；不跟随参考图 | | megapixels | 0.4 | 画布总像素，与参考图分辨率无关 | | steps | 关 LoRA：20；开 LoRA：4 | 同时写进两个分支，由 enable_lightning_lora 决定。r2v 的 LoRA 是 4 步 | | enable_lightning_lora | false | 开启时与 steps=4 配对；速度换细节 | | seed | 随机 | 复现用 |

3. 常见坑

传参顺序和提示词编号不一致：最容易出的静默错误。先定 reference_images 的顺序，再按顺序写编号。
以为参考视频自带声音会被用上：插件只拆帧，声音不接。要音色/环境声必须另给 reference_audios。
只给音频：硬规则会直接报错——音频必须配至少一张参考图或一段参考视频。
给某张只用于定人物长相的图单开 <Picture N> 条目：应该写进 <Subject N> 的定义里。
retention_analysis 里写 (Sx)：只写标签 + 标记 + 说明。
把源视频的运镜参考写成 video editing：只借运镜/节奏属于 reference generation。
参考视频/音频超时长：每段 2–15 秒、每类合计 ≤15 秒；插件不探测时长，超了会等到 ComfyUI 报错。
总文件数超 12：模型侧上限，插件在 checkReferenceMix 就会拒绝。
风格句写在 [Shot 1] 之后：Ref2VA 里风格要写在 [Shot 1] 之前。
steps 用了 8：r2v 的 Lightning LoRA 是 4 步。
改了音色参考却把原台词搬过来：只参考音色时不要复制原台词。